fa انتخاب ویژگی‌های مؤثر کلینیکی و ژنتیکی به‌منظور پیش‌بینی دوز وارفارین با استفاده از شبکه‌های عصبی مصنوعی گزارش كوتاه Brief Report <p style="text-align: justify;">زمینه و هدف: وارفارین داروی ضدانعقاد می‌باشد که نقش آن پیشگیری از ایجاد لختگی است. هدف از این مقاله، ارایه روشی مناسب برای انتخاب ویژگی‌های مهم کلینیکی و ژنتیکی و پیش‌بینی میزان دوز وارفارین بود.</p> <p style="text-align: justify;">روش بررسی: این مطالعه تجربی، از اردیبهشت تا خرداد 1394 بر روی 552 نفر از بیمارانی که در بیمارستان مرکز قلب تهران کاندید استفاده از وارفارین بودند، انجام گرفت. عوامل تأثیرگذار در میزان دوز استخراج شده، و روش‌های انتخاب ویژگی و شبکه‌های عصبی در نرم‌افزار MATLAB (MathWorks, MA, USA) پیاده‌سازی گردید.</p> <p style="text-align: justify;">یافته‌ها: از بین دو الگوریتم به‌کار گرفته شده، الگوریتم بهینه‌سازی ازدحام ذرات دارای دقت مناسب‌تری بوده و برای میانگین مربعات خطا، جذر میانگین مربعات خطا و میانگین قدر مطلق خطا به ترتیب 0262/0، 1621/0 و 1164/0 به‌دست آمد.</p> <p style="text-align: justify;">نتیجه‌گیری: بر اساس نتایج به‌دست آمده، با تعداد ویژگی‌های کمتر، می‌توان به دقت مناسبی از پیش‌بینی دوز وارفارین دست یافت. همچنین از این مدل می‌توان به‌عنوان یک سیستم پشتیبان تصمیم‌گیری بهره برد.</p> <p style="text-align: justify;">Background: Warfarin is one of the most common oral anticoagulant, which role is to prevent the clots. The dose of this medicine is very important because changes can be dangerous for patients. Diagnosis is difficult for physicians because increase and decrease in use of warfarin is so dangerous for patients. Identifying the clinical and genetic features involved in determining dose could be useful to predict using data mining techniques. The aim of this paper is to provide a convenient way to&nbsp;select&nbsp;the&nbsp;clinical and genetic features to determine the dose of warfarin using artificial neural networks (ANN) and evaluate it in order to predict the dose patients.</p> <p style="text-align: justify;">Methods: This experimental study, was investigate from April to May 2014 on 552 patients in Tehran Heart Center Hospital (THC) candidates for warfarin anticoagulant therapy within the international normalized ratio (INR) therapeutic target. Factors affecting the dose include clinical characteristics and genetic extracted, and different methods of feature selection based on genetic algorithm and particle swarm optimization (PSO) and evaluation function neural networks in MATLAB (MathWorks, MA, USA), were performed.</p> <p style="text-align: justify;">Results: Between algorithms used, particle swarm optimization algorithm accuracy&nbsp;was more appropriate, for the mean square error (MSE), root mean square error (RMSE) and mean absolute error (MAE) were 0.0262, 0.1621 and 0.1164, respectively.</p> <p style="text-align: justify;">Conclusion: In this article, the most important characteristics were identified using methods of feature selection and the stable dose had been predicted based on artificial neural networks.&nbsp;The output is acceptable and with less features, it is possible to achieve the prediction warfarin dose accurately. Since the prescribed dose for the patients is important, the output of the obtained model can be used as a decision support system.</p> وارفاین, نرم‌افزارهای اطلاعات پزشکی, سیستم‌های کامپیوتری, شبکه‌های عصبی مصنوعی computer systems, neural networks, medical informatics application, warfarin 900 905 http://tumj.tums.ac.ir/browse.php?a_code=A-10-25-5426&slc_lang=fa&sid=1 Mohammad Karim Sohrabi محمد کریم سهرابی amir_sohraby@yahoo.com Yes Department of Computer Engineering, Semnan Branch, Islamic Azad University, Semnan, Iran. گروه کامپیوتر، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران. Alireza Tajik علیرضا تاجیک No Department of Computer Engineering, Semnan Branch, Islamic Azad University, Semnan, Iran. گروه کامپیوتر، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران.